【技术实现步骤摘要】
交通拥堵预判系统及方法
[0001]本专利技术涉及智能交通
,特别涉及一种交通拥堵预判系统及方法。
技术介绍
[0002]随着信息技术在道路交通管理中应用范围的扩大和应用程度的深化,先进的交通管理系统(Advance Traffic Management System,ATMS)受到了广泛的关注,而交通状态判别是交通运行管理的重要组成部分,是交通运输控制和诱导的一个重要前提。
[0003]目前,国内外研究者对城市道路和高速公路的交通状态判别做了一些研究。最早投入开发和使用的ACI算法(基于交通检测装置的自动判别技术)是加利福尼亚算法,其通过比较临近环型线圈检测器获得的占有率数据,对可能存在的突发交通事件进行判别;Persaud,etc.根据突变理论,使用流量、占有率历史数据,开发一个流量
‑
占有率分布关系模板,通过将观测数据与模板进行比较,判断交通的状态。史忠科等采用扩展Kalman滤波方法对高速公路交通密度进行预测;王亦兵等采用扩展Kalman滤波方法,建立了高速公路实时交通状态估计器;窦慧丽等提出了一种交通状态改了预报的K近邻非参数回归模型用于城市道路不同预报时长的分级交通状态的概率预报实验;皮晓亮等采用聚类分析方法,实现了一种基于环形线圈检测器采集信息的交通状态分类方法。然而,大部分现有对交通状态判别的研究中一般只着重于对交通状态的整体判别率,多数忽略了交通状态数据集的不平衡性,且很少对不同交通状态间的误判所可能产生的代价进行分析。
[0004]而现实中,交通流不同状态在 ...
【技术保护点】
【技术特征摘要】
1.一种交通拥堵预判系统,其特征在于,包括:数据处理模块,用于读取交通流的数据、对数据进行缺失值处理及异常值处理以进行数据清洗,清洗后的数据包括类别特征数据、连续特征数据;并且数据处理模块用于对类别特征数据进行独热编码,对连续特征数据进行最大最小值归一化处理;以及数据处理模块用于采用Lasso回归方程筛选出编码处理或归一化处理后的交通流的数据中影响交通拥堵的变量特征,变量特征分为训练样本集、验证样本集,Lasso回归方程为:其中|w|1是权重向量w中各个元素的绝对值之和,α为用于控制惩罚力度的调节参数,y是真实样本的标签;X
w
是指一个样本的估计值,为多项式;X表示特征向量;w是向量估计参数;模型构建训练模块,用于构建代价敏感神经网络模型,以变量特征作为代价敏感神经网络模型的输入,用于定义加权交叉熵损失函数Loss为动态加权均方误差函数dyn_weight_cross_entropy_error(y,out
x
):Loss=dyn_weight_cross_entropy_error(y,out
x
)=Weight*cross_entropy_error;其中,cross_entropy_error为批量交叉熵误差函数:其中,batchsize为每批次样本的数量;i为某一批次样本的序号,取值为1至batchsize;k表示类别数且相当于维数,y
k
表示样本正确的标签值,取值为1;out
xk
为神经网络的输出,是0至1之间的一个概率值;y是真实样本的标签,标签表示拥堵状态或顺畅状态,out
x
是神经网络的输出;并且,Weight为权重:Weight=(1
‑
true_label)*zero_weight+true_label*one_weight,其中,true_label为样本的真实标签,true_label取值为0或1,true_label取值为0表示训练样本集的真实标签为0且表示为非拥堵状态,true_label取值为1表示训练样本集的真实标签为1且表示为拥堵状态;zero_weight为交通顺畅的权重,one_weight为交通拥堵的权重;N表示真实标签中每批样本总数,N
P
表示真实标签中每批拥堵样本数,N
n
表示真实标签中每批顺畅样本数;预测评估模块,用于输出交通流处于拥堵状态的概率。2.根据权利要求1所述的交通拥堵预判系统,其特征在于,所述变量特征包括道路因素、环境因素、人为因素。3.根据权利要求2所述的交通拥堵预判系统,其特征在于,所述模型构建训练模块用于利用训练样本集中数据对该神经网络预测模型进行训练,用于选取验证样本集中数据对训练好的神经网络预测模型进行验证。4.根据权利要求3所述的交通拥堵预判系统,其特征在于,所述模型构建训练模块用于
采用早停法来防止训练过拟合。5.根据权利要求1所述的交通拥堵预判系统,其特征在于,输出交通流处于拥堵状态的概率为1时,代表交通流处于拥堵状态,输出交通流处于拥堵状态的概率为0时,代表交...
【专利技术属性】
技术研发人员:程娟娟,宋家豪,谢晓丽,陆海红,李鹏程,张奥,许金磊,
申请(专利权)人:南京信息职业技术学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。